人脸识别系统的工作原理
5615字
2021-02-21 23:08
4阅读
火星译客

文章1

面部识别系统是如何工作的

看过电视节目"拉斯维加斯"的人都看到了面部识别软件的运作。 在任何一个特定的情节中,虚构的 Montecito 酒店和赌场的安全部门都会使用它的视频监控系统来获取一个刷卡机、小偷或者被列入黑名单的个人的图像。 然后,它在数据库中运行该图像,以找到匹配项并识别此人。 在这个小时结束的时候,所有的坏人要么被押出赌场,要么被扔进监狱。 但是在电视上看起来那么简单的东西在现实世界中并不总是那么容易实现。

2001年,坦帕市警察局在他们的 Ybor City 夜生活区安装了装有面部识别技术的警用摄像头,试图减少该地区的犯罪活动。 这个系统没有起到作用,于是在2003年由于效率低下而被废弃。 镜头下该地区的人们戴着面具,做着猥亵的手势,阻止摄像机获得足够清晰的镜头来识别人脸。

波士顿的洛根机场也利用志愿者对其安检点的面部识别系统进行了两次独立测试。 在三个月的时间里,结果令人失望。 据电子隐私信息中心称,该系统的准确率只有61.4% ,导致机场官员寻求其他安全选择。

人类天生就具有识别和区分面孔的能力,然而直到最近计算机才显示出同样的能力。 20世纪60年代中期,科学家们开始利用计算机识别人脸。 从那时起,面部识别软件已经取得了长足的进步。

在本文中,我们将回顾面部识别系统的历史,为了提高其能力而正在进行的改变,以及政府和私营公司如何使用(或计划使用)这些系统。

面部识别技术

Identix®是一家总部设在明尼苏达州的公司,是众多面部识别技术开发者之一。 它的软件FaceIt®可以从人群中提取出某人的脸部,从其他场景中提取出脸部,并将其与存储图像的数据库进行比较。 为了让这个软件工作,它必须知道如何区分一个基本的脸和其余的背景。 人脸识别软件是基于识别人脸的能力,然后测量人脸的各种特征。

每张脸都有许多可以区分的地标,不同的高峰和低谷构成了面部特征。 它将这些地标定义为节点。 每个人脸大约有80个节点。 其中一些通过软件测量得到的结果是:

两眼之间的距离

鼻子的宽度

眼窝深度

颧骨的形状

下颚线的长度

这些节点通过创建一个数字代码来测量,这个代码被称为 faceprint,代表数据库中的脸。

在过去,人脸识别软件依赖于一个二维图像来比较或识别数据库中的另一个二维图像。 为了有效和准确,捕捉到的图像必须是一张几乎直视镜头的脸,与数据库中的图像几乎没有光线或面部表情的变化。 这就产生了一个很大的问题。

在大多数情况下,这些图像不是在受控环境中拍摄的。 即使是光线或方向上的最小变化都会降低系统的有效性,因此它们无法与数据库中的任何人脸匹配,从而导致高失败率。 在下一节中,我们将研究纠正这个问题的方法。

3D人脸识别

人脸识别软件中一个新兴的趋势是使用3D 模型,这种模型声称能够提供更高的准确度。 3D 面部识别技术可以捕捉人的面部表面的实时3D 图像,它利用脸部的特征来识别对象——脸部的硬组织和骨骼最为明显,比如眼窝、鼻子和下巴的曲线。 这些领域都是独一无二的,不会随着时间的推移而改变。

通过使用深度和不受光线影响的测量轴,3D 人脸识别甚至可以在黑暗中使用,并且能够在不同视角识别主体,识别度可达90度(侧面的人脸)。

使用3D 软件,系统通过一系列步骤来验证一个人的身份。

检测:

获取图像可以通过数字扫描现有照片(2D)或使用视频图像获取主体的实时图像(3D)来完成。

调整:

一旦检测到一张脸,系统就会确定头部的位置、大小和姿势。 如前所述,主体有可能被识别到90度,对于2D图像而言,头部必须转向相机至少35度。

测量:

然后该系统测量一个亚毫米(或微波)量级的面部曲线,并创建一个模板。

表示:

系统将模板转换成唯一的代码。 这种编码为每个模板提供了一组数字来表示主体脸部的特征。

匹配:

如果图像是3D 的,并且数据库中包含3D 图像,那么匹配将不会对图像做任何更改。 然而,目前仍处于二维图像中的数据库面临着一个挑战。 3 D作为一个实时、移动的可变主体对比一个平面、固定的图像。 新技术正在应对这一挑战。 当拍摄3D 图像时,不同的点(通常是三个)被识别出来。 例如,眼睛的外部,眼睛的内部和鼻子的尖端将被拉出和测量。 一旦这些测量到位,算法(一步步的程序)将应用于测量图像转换为二维图像。 转换后,软件将比较图像与数据库中的2D 图像,寻找潜在的匹配。

核实或识别:

在验证中,一个图像只与数据库中的一个图像匹配(1:1)。 例如,一幅拍摄对象的图像可能与机动车辆管理局数据库中的一幅图像相匹配,以验证拍摄对象的身份。 如果以标识为目标,则将图像与数据库中的所有图像进行比较,从而得出每个潜在匹配项的得分(1: n)。 在这种情况下,你可以拍一张照片,并将其与面部照片数据库进行比较,以确定拍摄对象是谁。

接下来,我们将看看皮肤生物识别技术如何帮助验证匹配。

生物特征面部识别

单在人脸识别中,图像可能不会一直被验证或识别出。 Identix® 创建了一个新产品来提高识别精确。 FaceIt®阿古斯开发使用皮肤生物特征(皮肤纹理的唯一性)产生更准确的结果。

这个过程被称为表面纹理分析,其工作原理与人脸识别非常相似。 这张照片拍摄的是一小块皮肤,叫做皮印。 然后,这个补丁被分解成更小的块。 使用算法将补丁转化为一个数学的,可测量的空间,系统将区分任何线条,毛孔和实际的皮肤纹理。 它能够识别同卵双胞胎之间的差异,而仅仅使用面部识别软件是不可能做到这一点的。 据 Identix 称,通过结合人脸识别和表面纹理分析,精确识别率可以提高20% 到25% 。

目前使用三种不同的模板来确认或识别主题: 矢量、局部特征分析和表面纹理分析。

矢量模板非常小,主要用于对整个数据库进行一对多的快速搜索。

局部特征分析(local feature analysis,LFA)模板根据向量模板执行有序匹配的二次搜索。

表面纹理分析(STA)是三者中最大的。 它在 LFA 模板搜索之后执行最后一遍,依靠图像中包含最详细信息的皮肤特征。

通过结合所有三种模板,FaceIt®比其他系统有优势。 它对表情的变化相对不敏感,包括眨眼、皱眉或微笑,能够补偿胡子或胡须的生长和眼镜的外观。 该系统在种族和性别方面也是统一的。

然而,这并不是一个完美的系统。 有一些因素可能会妨碍识别,包括:

眼镜或戴太阳镜有明显的眩光

长发遮盖了脸的中心部分

照明不良会导致脸部曝光过度或不足

缺乏分辨率(图像拍得太远)

Identix 并不是唯一拥有面部识别系统的公司。 其他公司虽然大体工作方式与 FaceIt 相同,但也有一些变化。 例如,Animetrix公司推出了一款名为 FACEngine ID®SetLight 的产品,可以纠正正常情况下无法使用的照明条件,减少错误匹配的风险。 Sensible Vision 公司有一种产品可以通过面部识别来保护电脑。 只要正确的用户出现在屏幕前,计算机就会开机并保持可访问性。 一旦用户离开了视线范围,计算机就会自动与其他用户隔离。

由于这些技术上的进步,面部和皮肤识别系统比几年前更广泛地应用。 在下一节中,我们将看到在哪里、如何使用它们,以及未来将会发生什么。

面部识别系统的应用

在过去,面部识别软件的主要用户是执法机构,他们使用该系统在人群中捕捉随机面孔。 一些政府机构还利用这些系统来保障安全和消除选民舞弊行为。 美国政府最近开始了一个名为 US-VISIT (美国游客和移民身份指示技术)的项目,旨在吸引外国游客进入美国。 当外国旅行者收到签证时,他将提交指纹和照片。 指纹和照片与已知罪犯和恐 怖分子嫌疑人的数据库进行核对。 当旅行者在入境口岸抵达美国时,将使用同样的指纹和照片来核实获得签证的人是试图入境的同一个人。

然而,现在识别软件在很多场景中都很流行。 随着该系统变得更便宜,它们的使用也更加广泛。 该系统现在可以与银行和机场已经使用的摄像头和计算机兼容。 美国运输安全管理局目前正在制定和测试"注册旅客"计划。 该计划将为自愿提供信息和完成安全威胁评估的乘客提供快速安全检查。 在机场,注册旅行者要穿越特定的路线,机器通过旅行者的面部特征来验证他们的身份,所以更加快捷。

其他潜在的应用包括 ATM 和支票兑现安全。 该软件能够快速验证客户的脸。 当顾客同意后,自动取款机或支票兑现机会捕捉到他的数字图像。 然后,FaceIt 软件生成照片上的面孔,以保护顾客免受身份盗窃和欺诈交易的伤害。 通过使用面部识别软件,不需要图片 ID、银行卡或 PIN码来验证客户的身份。 通过这种方式,企业可以防止欺诈的发生。

虽然上面所有的例子都是在个人允许的情况下工作的,但并不是所有的系统都是获得您的认可使用的。 在第一部分,我们提到了坦帕警方在超级碗比赛期间使用的系统,还有 Ybor City的案例。 这些系统在所有参观者不知情或未经允许的情况下对他们进行拍照。 反对该系统的人指出,尽管在某些情况下,该系统确实提供了安全保障,但要无视自由和开放意识是不行的。 许多人认为使用这些系统严重侵犯隐私,他们的担忧并不止于此。 他们还指出了身份盗窃的风险。 甚至面部识别公司也承认,这项技术使用得越多,身份盗窃或欺诈的可能性就越高。

随着许多技术的发展,人脸识别的巨大潜力也伴随着一些缺点,但是制造商们正在努力提高系统的可用性和准确性。

文章二

人脸识别技术在智能车辆安全系统中的应用

摘要:一个正在开发的智能车辆防盗系统,需要判断前方某个范围内是否有人是授权用户,然后智能地打开车门,以保证工作的便利性和防盗的安全性。本文提出了一种利用人脸识别技术对图像传感器数据进行预测的方法。实验结果表明,该算法实用可靠,在教学应用中取得了良好的效果。

关键词: 智能车辆安全系统; 人脸识别; 人脸诊断

引言

传统的机械式汽车钥匙不仅在人拿着一捆货物时不方便,而且防盗性能差。 对于新型的无钥匙行走系统,其信号可以被犯罪分子的无线解码器截获。

为此,我们成功地开发了一种基于人脸识别技术的智能车辆安全系统。 如果任何人在某一范围前面是授权用户,它会自动打开车门。 否则,它就会继续锁定。 这种智能车辆安全系统由于具有图像通信难以获取的特点,因而具有较高的安全性。

我们提出了一种检测和识别人脸的方法,并描述了一个工作的、近实时的人脸识别系统,该系统跟踪目标的头部,然后通过比较脸部特征和已知个体的特征来识别人。 我们的方法把人脸识别看作是一个二维的识别问题。 利用人脸通常是垂直的这一事实,因此可以用一小组二维特征视图来描述。 人脸图像投影到一个特征空间("人脸空间") ,最好的编码变化的已知人脸图像。 人脸空间是由"诊断面"定义的,它是一组种族的诊断向量。 它们不一定与眼睛、耳朵和鼻子等孤立的特征相对应。 在这个框架中,自动学习和之后识别新面孔是实用的。

在合理变化的条件下,识别是通过对有限数量的特征视图(例如"直视"视图、40度角视图和轮廓视图)进行训练来实现的。

用于识别的人脸诊断

以前关于自动人脸识别的许多工作忽略了这样一个问题,即假设预定义的测量是相关的和足够的,那么脸部刺激的哪些方面对于识别是重要的。 这提示我们,所有的信息理论的编码和解码花边图像的方法,可以通过强调重要的局部和全局"特征"来洞察人脸图像的信息内容。 这些特征可能与我们对脸部特征的直观认识有直接关系,也可能与此无直接关系,比如眼睛、鼻子、嘴唇和头发。 我们希望尽可能有效地提取人脸图像中的相关信息进行编码,并将一种人脸编码与编码相似的模型数据库进行比较。 提取人脸图像中信息的一个简单方法是捕获图像集合中的变化,过程中独立于任何特征判断,并使用这些信息对单个人脸图像进行编码和比较。

换句话说,我们希望找到一组人脸图像的协方差矩阵向量。 这些诊断向量可以被认为是一组特征,共同表征人脸图像之间的变化。 每个图像位置按比例贡献给每个诊断向量。 因此,我们可以将诊断向量显示为一种黑白脸,我们称之为诊断人脸。

训练集中的每个人脸图像都可以精确地表示为诊断人脸的线性组合。 诊断人脸的可能数量等于训练集中人脸图像的数量。 然而,人脸也可以通过使用"最佳"(那些具有最大的诊断价值)诊断面孔进行模糊识别,即方差最大的一组人脸图像。 使用较少诊断人脸的主要原因是提高计算效率。 在所有可能的图像中,最佳的M诊断人脸跨越所有可能图像的M维子空间——"面部空间"。 频率和相位变化的正弦波是傅里叶分解的基本函数(实际上是线性系统的诊断函数)。 诊断人脸是人脸分解的基本向量。

如果可以通过一小组特征图像的加权和来重建多个人脸图像,那么学习和识别人脸的一个有效方法可能是从已知的人脸图像中构建特征,并通过比较特征权重来识别特定的人脸。

识别过程概述如下:

1.初始化: 获取人脸图像的训练集,计算确定人脸空间的诊断人脸。

2当遇到新的人脸图像时,通过将输入图像投影到每个诊断人脸上,计算一组基于输入图像和M诊断人脸的权重。

通过检查图像是否足够接近"脸部空间"来确定图像是否是一张人脸(无论是已知的还是未知的)。 4. 如果这是一张脸,进行权重模式归类,要么是一个已知的人脸要么是未知的。

计算诊断人脸

设人脸图像I (x,y)是一个二维 N×N 数值阵列,或者是一维 N2向量。则以256 × 256尺寸的典型图像描述一维65,536的向量,或者等同于描述65,536向量空间中的一个点。 然后,将一组图像映射到巨大向量空间中的一组点。

在这个巨大的图像空间中,整体构型相似的人脸图像不会随机分布,因此可以用一个相对低维的子空间来描述。 我们的主要思想是找到最适合人脸图像在整个图像空间中分布的矢量。 这些向量定义了人脸图像的子空间,称之为"人脸空间"。 每个矢量长度 都是N2,描述了N 乘N 的图像,是原始人脸图像的线性组合。 因为这些矢量是对应于原始人脸图像协方差矩阵的诊断矢量,又因为它们看起来像一张人脸,所以我们称它们为诊断人脸。

通过这种分析,计算量从图像N2中像素数顺序大大地减少至训练集M图像数顺序。 在实践中,图像的训练集将相对较小,并且计算将变得相当容易管理。 相关的诊断值使我们能够根据诊断向量在描述图像之间变化的有用性对其进行排序。通常,通过裁剪训练图像去除背景,使诊断面在面部区域之外的值为零。

基于诊断性人脸的人脸图像分类

一旦创建了诊断面孔,识别就变成了模式识别任务。 诊断面跨越原始 N2图像空间的 m'维子空间。 选择L矩阵的 m'重要诊断向量作为相关诊断值最大的向量。 根据诊断值启发式选择要使用的诊断面的数量。

通过一个简单的操作,将一个新的人脸图像 L转换为其人脸诊断部分(投影到"脸部空间") ,即ωk=ukT(L-φ)。描述了一组逐点图像乘法和累加。

向量T=[ω1,ω2,ω3…ωM']的权重将诊断人脸作为人脸图像的基础集,描述了每个诊断人脸在表征输入人脸图像方面的贡献值。 该向量用于查找一系列预定义人脸类别中最符合的一个(如果有的话)。 要确定人脸类别和输入人脸图像的最佳匹配,最简单的方法是找到最小欧几里德距离 εk的人脸类别K, K 是描述第k个人脸类别的一组矢量。 当最小 εk为选定阈值 θε时,将人脸归类为 k 类,否则将人脸归类为"未知"人脸。

使用诊断人脸来检测输入人脸

我们还可以利用人脸空间的知识来检测和定位单幅图像中的人脸。 这使我们能够除了识别人脸之外还能认定人脸的存在。

为图像创建权重向量相当于将图像投影到低维人脸空间。 图像和它在人脸空间投影之间的距离ε为平均调整的输入图像φ=L-φ和其在人脸空间投影之间的距离。

本文提出了一种应用于智能车辆安全系统的人脸识别方法。 实际应用表明,该方法具有较高的准确度和可靠性。 不足之处在于只能对单个人进行人脸识别,这也为今后工作的改进指明了方向。

文章三

人脸识别: 整体方法综述

摘要ー人脸识别具有广阔的应用前景,近年来已成为研究的热点。 人脸识别技术对企业、政府乃至整个社会都有着深远的意义。 人脸识别基本上就是通过脸来识别人。 人脸识别方法有很多种,一般分为基于特征的方法和整体的方法。 目前只有很少的研究比较了这两种方法。 如今,人脸识别的研究有了巨大的增长,主要是因为全球各地都在发生各种各样的负面事件。 随着所提出的算法和技术数量的增加,对这些算法和技术的调查和评价对于推动研究活动变得更加重要。 本文的主要目的是对过去十年中人脸识别方面的现有文献进行一个批判性的总结,并特别提到人脸检测的整体方法。

关键词ー人脸识别系统、人脸识别、人脸检测、主成分分析、特征脸、人工神经网络、模糊理论

一、引言

作为人类我们一直通过看脸来识别人,然而现在计算机科学的最新发展已经提供相同的自动识别。 早期的 FRSs (人脸识别系统)使用简单的几何模型,今天,人脸识别已经成为一门成熟的独立科学。工程原理在这一领域的实施使FRSs成为聚光灯。人脸识别可以用于验证和识别(开集和闭集)。在过去的25年中,FRS在各个领域都得到了广泛的研究。2D、3D和视频技术使得FRS的研究取得了巨大的进展。 但是,在不同的姿势、光照条件、面部表情、非自然障碍和年龄下,FRS 的表现有所下降。

人脸识别为研究提供了许多机会。 因此,本研究旨在解决影响人脸识别系统性能的缺陷,并探索新的优化技术。 新系统破除了以往的限制,如姿势,光线条件和表情变化等。

人脸识别总体上是根据面部的模式识别,进行已知人脸和未知人脸的分类。 由于人脸具有高度动态性,面临着更多的问题和挑战,模式识别、计算机视觉和人工智能等领域的研究人员对此提出了许多解决方案从而提高性能和识别精度。 本文的目的是对过去文献中出现的关于人脸检测和识别的整体方法的人脸识别论文进行综述。

基本上,人脸识别方法可以分为基于整体的和基于特征的两类。 这两种方式存在完全不同的特点。

在基于整体的方法中,人脸识别是基于人脸的全局特征,而基于特征的方法中,人脸识别是基于人脸的局部特征。 整体方法特征表示人脸图像中唯一识别人脸的像素数据最佳方差。 而基于特征的方法表示眼睛,鼻子和嘴巴等面部特征来唯一识别人脸。

二、人脸识别系统

人脸识别系统(FRS)过程可以细分为两个主要部分。 第一部分是图像处理,第二部分是识别技术。 图像处理部分包括扫描采集、图像增强、图像剪切、滤波、边缘检测和特征提取。 第二部分是由遗传算法构成的人工智能,人脸识别有多种方式。

基于特征的方法首先对输入的人脸图像进行处理,识别并提取(和测量)人脸特征,如眼睛、嘴巴、鼻子等,以及其他基准点,然后计算这些人脸点之间的几何关系,从而将输入的人脸图像简化为一个几何特征矢量。 然后使用标准的统计模式识别技术来匹配使用这些测量的人脸。

然而,如果人工提取面部特征,可以合理地假设,如果采用一种自动的、不那么精确的特征提取方法,识别性能会低得多。 一般来说,现有的自动特征提取算法不能提供高精度的特征提取,还需要相当大的计算能力。

人脸识别的整体方法考虑了来自给定人脸集的全局信息,以执行人脸识别和验证。 全局信息主要表现为少量的特征,这些特征直接来自于面部图像的像素。 这些特征负责清楚地识别和表示不同面部图像之间的差异,从而唯一地识别个人或对象。

A特征脸方法

特征脸方法即所谓的特征向量或主成分分析分析方法是人脸识别的常用方法。 通过只考虑使用特征脸获得的少量信息,可以很容易地重建人脸。 特征脸只不过是数学上的主要分量,它以协方差矩阵的形式将脸分成特征向量。 然后利用这些向量计算多个面之间的变化。 这些脸的特征是具有最高特征值的线性组合。 M 的特征面表示 m 维的面空间。 在这里,研究人员利用2500张每张16张的图像,在不同的光照条件、方位和大小下,分别显示了96% 、85% 和64% 的正确分类。 人脸识别率低是由于人脸背后的轮廓背景。

整个面部的相关性没有显示出合理的结果。 对于特征脸,光照归一化是非常必要的。 像眼睛、鼻子、嘴巴、脸颊等特征可以用来代替特征脸。 与特征脸方法相比,该方法的灵敏度较低。 在这种情况下,系统对每人3000张的7562张 FERED 图像达到了95% 的识别率。 总之,特征脸方法是最可靠,快速和有效的,赋予不变的信息,也在存在不同的照明和缩放条件。

为了提高人脸识别系统的性能,提出了一种基于多线性主成分分析和局部保持投影的人脸识别技术。 该技术利用MPCA进行人脸图像预处理,利用LPP进行人脸特征提取。实验结果表明,该方法具有良好的人脸识别精度。

特征脸算法采用主成分分析降维寻找向量,在输入的人脸空间中分配人脸图像具有最佳值。 该向量定义了称为人脸空间的子空间,将训练集投影到人脸空间中,找到描述人脸空间中每个向量贡献的权重集。

B神经网络方法

在人脸检测过程中,神经网络的训练是一个非常困难的任务,因为人脸图像的特征化是一个难题。 在人脸识别的情况下,要做的集合是不同的人脸,因为人脸检测的两个集合是人脸图像和非人脸图像。 获得具有代表性的包含人脸的图像样本很容易,但要获得具有代表性的不包含人脸的图像样本就困难得多。 第二组的学科数量可以增长很快。 这个问题可以避免在训练过程中使用大量的非人脸图像。

就正面人脸检测而言,这种方法取得了巨大的成功。 提出了一种基于神经网络的人脸检测系统。 视网膜连接的神经网络检查一个面部图像的小窗口,并决定每个窗口是否有一张脸。 该系统使用多个网络来提高性能。 在新提出的神经网络模型中,约束生成模型模型使用一小组反例对人脸进行了精确的估计。 该算法使用三层权值来计算输入图像和人脸图像之间的距离。

人工神经网络(ANN)是一种信息处理范式,其灵感来自于生物神经系统(如大脑)处理信息的方式。 这一范式的关键要素是信息处理系统的新结构。 它是由大量高度相互关联的处理元素(神经元)协同工作来解决特定的问题。 人工神经网络就像人一样,以身作则。 通过一个学习过程,人工神经网络被配置为一个特定的应用,如模式识别或数据分类。 在生物学系统中,学习涉及到神经元之间的突触连接的调整。 人工神经网络也是如此。

C模糊 / 模式匹配方法

这种方法利用模糊理论来表示各种各样的、不精确的、不确定的、不准确的知识或信息。 并结合各个模糊集所包含的信息进行决策。 提出了一种基于模糊理论的彩色图像人脸检测方法,采用两种模糊模型分别描述皮肤颜色和头发颜色。 采用均匀的颜色空间来描述颜色信息,提高了颜色信息的准确性和稳定性。 这里有两个不同的模型被用来去除皮肤颜色部分和头发颜色部分。 然后,借助于基于模糊理论的人脸识别方法,将它们与一些预先建立的模板进行了比较,得到了人脸识别的模式匹配。

合成和去模糊化过程是模糊推理的基础。 在模糊系统模型的背景下,进行模糊推理以识别人脸,模糊系统模型包括控制变量、解和工作数据变量、模糊集、模糊限制语、模糊和控制机制。

D. 其他方法

除了上述的人脸识别方法,一些研究人员还采用了其他方法进行人脸识别的研究,即在所有可能的光照条件下人脸的形状和反照率规则、贝叶斯决策等。 为了开发一个能够处理所有人脸识别因素的通用人脸识别系统,综合方法可以作为一种选择。 集成上述不同方法并应用不同技术的方法将是所有缺点的答案。

Iv. 结语

由于人脸检测的整体方法包含了人脸的全局信息,这种方法的缺点是捕获的差异可能不是人脸的相关特征。 人脸识别确实是一个困难的问题,因为人脸在方向、面部表情和光线条件方面有很大的不同。本文目的是对最近的人脸检测整体方法进行梳理,对之前的研究进行补充。本文总结了基于特征脸方法、空间匹配检测方法、神经网络方法和模糊理论方法。 整体方法的主要优点是在给定的面部图像中清晰地捕捉最突出的特征,以便在给定的集合中唯一地识别个体; 同时自动寻找特征。 然而,缺点是人脸识别的性能可能会受到光线、方向和尺度的严重影响; 或者,图片提取的特征可能不是人脸的一部分,捕捉的反而是图像背景的其他特征。

考虑到人脸识别的所有因素,可以选择综合的方法开发出一种人脸识别通用系统。


 

0 条评论
评论不能为空